Magíster en Business Analytics

El curso se centra en la creación de una visión directiva de largo plazo para la determinación del futuro de la organización. Se revisan los conceptos de creación y captura de valor, a través del desarrollo y ejecución de estrategias competitivas. Los estudiantes obtendrán herramientas y perspectivas orientadas a desarrollar una respuesta de modelo de negocio estratégico y alineado a la organización. Se aplicarán herramientas propias del dominio digital, transformando amenazas digitales en oportunidades, para crear una ventaja competitiva y un mejor rendimiento en la empresa.

Curso válido para el proceso de admisión PBA (Performance Based Admission)

• ¿Qué es estrategia?
• Ventaja competitiva en el mundo digital
• Entendiendo al cliente a través del concepto job to be done
• Elementos estructurales en el diseño de una estrategia
• Entendiendo el contexto
• ¿Qué hay detrás de la cuarta revolución industrial?
• Capacidades y habilidades para el futuro mundo del trabajo
• Rompiendo paradigmas, de lo lineal a lo no lineal

• La estrategia bajo una mirada sistémica
• La cadena de valor en el mundo digital
• Análisis sistémico de una herramienta
• El rol disruptivo de los elementos digitales
• Inteligencia artificial desde lo estratégico
• Aplicaciones de inteligencia artificial en las empresas
• Transformando el negocio con IA

• Positive feedback o retroalimentación positiva
• Compitiendo a través del valor
• Conceptos de valor en estrategia digital
• Matriz de transformación digital
• La importancia del diseño organizacional, la contracara de la estrategia
• Aplicación de la transformación digital en el sector público
• Diseño funcional vs. diseño neuronal

• Construyendo recursos y capacidades para el desarrollo de la estrategia
• Logrando que la inteligencia artificial escale
• Estrategias digitales en el mundo del retail

En este curso los estudiantes analizarán, en una primera parte, el modelo relacional de bases de datos y su lenguaje de consultas SQL; posteriormente, se explicará el modelo de datos NoSQL; ambos en el contexto de su uso en el mundo real. El curso cuenta con una serie de actividades formativas (clases de cátedra, videos, talleres), evaluaciones y un proyecto final.

Curso válido para el proceso de admisión PBA (Performance Based Admission)

• Conceptos fundamentales de bases de datos
• Modelo relacional de datos
• Introducción al lenguaje de consulta SQ

• SQL avanzado (agregación, consultas anidadas)
• Diseño de una BD relacional

• Rol de SQL en ciencia de datos 
• Bases de datos NoSQL

En este curso se pretende desarrollar en los y las estudiantes la capacidad para abordar y estructurar problemas de decisiones propios de la gestión de manera de orientar la toma de decisiones. El curso considera estructurar problemas de decisiones, el análisis de problemas de decisión caracterizados por la disponibilidad de una gran cantidad de información, las distintas formas de cuantificar y analizar la incertidumbre propia de los problemas de decisiones y el análisis de relaciones entre variables.

• ¿Qué es business analytics (BA) y su evolución? Introducción al análisis descriptivo, predictivo y prescriptivo y la importancia de BA y aplicaciones
• ¿Qué es la analítica descriptiva? Data aggregation (recolección y organización de datos), data mining (minería de datos) y visualización de datos
• Modelando la incertidumbre
• ¿Qué es la analítica predictiva? Tipos de modelos predictivos, evaluando modelos predictivos y decisiones bajo certidumbre, riesgo e incertidumbre
• ¿Qué es la analítica prescriptiva? Tipos de modelos prescriptivos y relevancia de los modelos prescriptivos

• Árboles de decisión
• Decisiones óptimas con árboles de decisión
• Árboles de decisión con información
• El valor de la información
• Ejemplos aplicados

• Optimización lineal: formulación matemática
• Optimización lineal: formulación gráfica
• Solución problema de optimización lineal
• Análisis de sensibilidad: precios sombra
• Ejemplos aplicados

• Caso General Electric
• Caso Starbucks
• Consideraciones éticas y regulatorias
• Futuro de la toma de decisiones basada en datos

Este curso busca que los estudiantes logren comprender cómo el uso adecuado y eficiente de Python como herramienta computacional para el análisis de datos puede mejorar su toma de decisiones dentro de su organización. Para ello, se introducirán los conceptos básicos y generales del análisis de datos, se revisará la importancia de visualizar e identificar valor en los datos y cómo los distintos métodos descriptivos, predictivos y prescriptivos permiten evidenciar oportunidades y justificar decisiones. Para ejemplificar estos conceptos y su desarrollo a través de Python, se verán casos prácticos en industrias diversas.

• Conceptos fundamentales de la ciencia de datos
• Fundamentos de Python

• Tratamiento y limpieza de datos y análisis de datos masivos

• Gráficos
• Interfaces

• Análisis descriptivo
• Análisis predictivo
• Análisis prescriptivo

El curso está dirigido a profesionales que ejercen tareas relacionadas a gestión y análisis de datos con énfasis en la programación. Se entregan las principales competencias para que sus egresados puedan desarrollar todas las etapas que requiere un proyecto analítico, tales como: identificar la necesidad del negocio y proponer una efectiva solución estratégica con la información disponible; recolectar, limpiar y gestionar la información proveniente de distintas fuentes de datos; extraer conocimiento a través de métodos del aprendizaje estadístico y, finalmente visualizar y comunicar los resultados utilizando las principales plataformas computacionales del mercado. Además, el curso brinda conocimiento para integrar todas etapas del desarrollo de un proyecto analítico con plataformas de Big Data.

• ¿Qué es el Data Mining?
• Introducción al Data Mining y proceso KDD
• Data Mining aplicado a la industria financiera
• Plataformas analíticas para desarrollar un proyecto de Data Mining
• Introducción a R
• Conceptos básicos del Lenguaje R
• Principales objetos y funciones de R
• Librerías y tipos de datos en R

• ¿Cómo adquirir la data? 
• Extracción de información de diferentes fuentes de abastecimiento
• Gestión de datos utilizando la librería dplyr
• Limpieza y Transformación de datos
• Resumen de información en R
• Estadísticas descriptivas para resumir datos
• Visualización de los datos con ggplot2 y plotly.
• Medidas de similitud y asociación.

• Análisis de correlación de variables
• Problemas con la dimensión de la información
• Introducción a Componentes Principales
• Aplicación de PCA al valor del cliente en el Retail
• Introducción a los métodos de Clasificación No Supervisados
• Medidas de similaridad: Distancias
• Método jerárquico Kmedias para clasificación
• Clasificación de los clientes en el retail utilizando Kmedias

• Ejemplo aplicado
• Modelos de Regresión Lineal para estimación de los gastos por hogar utilizando la EPF
• Introducción a Flexdashboard 
• Uso de la librería Flexdashboard en ejemplo aplicados

En este curso los estudiantes obtendrán conocimientos y habilidades para resumir y comunicar resultados de métodos de computación, estadística, minería y análisis de datos. Dentro de las actividades prácticas del curso, los estudiantes estudiarán técnicas y algoritmos para analizar, diseñar y crear visualizaciones efectivas, basadas en principios de diseño gráfico, artes visuales y psicología cognitiva. El curso está orientado a estudiantes con experiencia previa en programación.

• Definiciones y ejemplos históricos
• Marcas, canales, y procesamiento humano de la información
• Modelo anidado de Munzner para diseño y validación de visualización
• Reglas y recomendaciones generales para visualizaciones efectivas

• Gráficos de barras, barras apiladas, puntos y líneas
• Gráficos de dispersión, de burbujas y de flujos
• Gráficos para distribuciones: histograma, densidad, caja y violín
• Múltiples ejes, radial y torta

• Mapa de calor, densidad 2D, treemap
• Matriz de gráficos y pequeños múltiples
• Reducción de dimensionalidad lineal
• Reducción de dimensionalidad no lineal

• Grafos y árboles: diagramas nodo-enlace y de adyacencia
• Grafos y árboles II: gráficos tipo encierro, clustermap y dendograma
• Visualización de texto
• Visualización espaciotemporal

Es un curso que entrega en sus egresados un conocimiento vanguardista de las principales herramientas para el modelamiento analítico de datos. Con los métodos presentados en el curso, los alumnos podrán enfrentar los nuevos desafíos de la era digital en sus organizaciones, resolver problemas de negocios haciendo un uso efectivo de la información y generando valor agregado en los procesos críticos de sus organizaciones. Además, el alumno egresado podrá integrar los métodos expuestos en el curso con plataformas de Big Data para aplicar modelos analíticos sobre grandes volúmenes de información.

• Modelo de regresión clásica
• Análisis del modelo: Interpretación coeficientes, inferencia estadística, predicción y bondad de ajuste
• Aplicaciones en R a marketing, finanzas y personas

• Variables independientes categóricas
• Selección de variables
• Inferencia causal
• Aplicaciones en R a marketing, finanzas y personas

• Modelo de Regresión Logística
• Análisis del modelo: Interpretación coeficientes, inferencia estadística
• Análisis de chances (odds)
• Predicción y matrices de confusión
• Aplicaciones en R a marketing, finanzas y personas

• Modelos para variables categóricas
• Análisis del modelo: Interpretación coeficientes, inferencia estadística
• Aplicaciones en R a marketing, finanzas y personas

• Árboles para variables cuantitativas
• Árboles para variables cualitativas
• Pruning

En este curso se introducen los conceptos fundamentales del Aprendizaje de Máquina y las metodologías que se utilizan en esta disciplina. En particular, el y la estudiante aprenderá los principios básicos de inferencia inductiva revisando algunas de las técnicas más utilizadas, que le permitirán crear programas que aprenden cómo resolver una tarea sin haber sido programados previamente para ello.

• ¿Qué es machine learning?
• La historia de la IA y machine learning
• Esquemas de aprendizaje
• Relación entre los esquemas de aprendizaje y la resolución de problemas reales
• Aprendizaje vs. programación
• Representación de datos
• Elementos básicos de scikit-learn
• Evaluación de rendimiento
• Entrenamiento y evaluación de modelos
• Construcción conceptual de un sistema de machine learning

• Técnicas de vecinos más cercanos (similar a título original)
• Aspectos prácticos de vecinos más cercanos
• Árboles de decisión
• Implementación de un árbol de decisión
• Random forests
• Efecto de las estrategias aleatorizantes en random forests
• Bagging y boosting
• Uso de distintos tipos de ensamble

• Formulación principal de SVM
• Visualización de los vectores de soporte de un SVM
• Extensiones de SVM
• Visualización de superficies de clasificación y margen
• Perceptron
• Multi-layer perceptron
• Implementación de backpropagation
• La historia de las redes neuronales

• Técnicas de clustering
• Selección del número de cluster en K-Means
• PCA y tSNE
• Visualización de representaciones de dimensionalidad reducida
• Implementación de un pipeline completo de machine learning utilizando un conjunto de datos real

Este curso busca que los y las estudiantes puedan aumentar su capacidad de influencia, desarrollando las competencias necesarias para ejercer un liderazgo efectivo en las personas de su equipo, de otras áreas y de su organización. Que sean capaces, en entornos ágiles, de liderar y/o conformar buenos equipos de trabajo. Equipos en que los integrantes logren colaborar, comunicarse efectivamente y valoren la diversidad, para así lograr sinergia y resultados de excelencia.

• ¿Qué sabemos de liderazgo?
• Desafíos actuales de liderazgo
• ¿Qué necesitamos para un liderazgo efectivo? (autoconocimiento y modelo de competencias)
• Autoevaluación en el modelo de competencias
• Qué son las emociones desde la neurociencia
• Competencias de manejo emocional
• Regulación emocional e importancia para el liderazgo (este es similar el título que tenía en el programa)
• Estrategias para gestionar emociones negativas 
• Estrategias para instalar positividad

• Las características de los equipos de alto desempeño
• Las etapas de desarrollo para transitar de grupo a equipo, liderando el proceso
• Diagnóstico del propio equipo de trabajo, identificar brechas y estrategias de desarrollo
• Atributos clave: comunicación efectiva, generar confianza y colaborar 
• Modelo para incrementar la confianza.
• Estrategias de colaboración para el logro de objetivos.
• Construir relaciones personales con compromiso

• Trabajar es conversar
• Influir sin poder formal
• Conductas sociales: agresiva, pasiva, pasiva-agresiva y asertiva
• Ganancias y costos de cada una, aplicación personal.
• Importancia de la comunicación asertiva para el liderazgo, para conversaciones movilizadoras y/o difíciles
• Pasos para desarrollar la asertividad como habilidad social e interpersonal
• Habilidades básicas de la comunicación asertiva: lenguaje no verbal, escuchar en forma activa, lenguaje en primera persona.
• Importancia del feedback para la gestión del desempeño en el día a día, como un estilo de comunicación y como parte de la cultura organizacional
• Dar y recibir feedback: crítica constructiva y reconocimiento

En este curso, los y las estudiantes aprenderán a trabajar con datos masivos, ya sea estructurados o semiestructurados, a recolectar información desde fuentes web, y a hacer análisis basados en descripciones de los sets de datos. Metodológicamente, en el curso se trabaja con aprendizaje basado en problemas, en donde todas las semanas se orientan a resolver un problema en particular.

• Paradigma de Data Warehousing
• Trabajando con datos en la Nube
• Introducción a Google Cloud Platform y Big query
• Consultando datos en Big Query
• Map Reduce
• Algoritmos con Map Reduce
• Databricks como plataforma de computo
• Map Reduce en Databricks

• TF-IDF y búsqueda
• Índices para búsqueda por texto
• Búsqueda por texto en BigQuery
• Análisis de logs o registros
• Estructura de la web
• Scrap de HTML
• Acceso a API (Twitter o similar)
• Scrap Información en la web

• Elementos como conjuntos
• Locally sensitive hashing 
• Etapas en el procesado de datos para búsqueda de elementos similares
• Técnicas de minería v/s inteligencia artificial
• Modelos de canastas y reglas de asociación
• Algoritmo a-priori
• Etapas en el procesado para búsqueda de elementos
• Aplicaciones de elementos frecuentes

• El paradigma de grafos y sus aplicaciones
• Extracción de información en grafos
• Centralidad, pagerank
• Detección de comunidades

La actividad final consiste en un seminario dividido en tres partes, en el cual los y las estudiantes desarrollan un proyecto que resuelve un problema real de una organización, a través del análisis de datos. Esta organización puede ser una empresa, un organismo público, una ONG, o un emprendimiento. En el Seminario de Graduación I, se deberá definir la problemática organizacional que requiere ser abordada, evaluar la disponibilidad de datos, identificar las técnicas analíticas que se utilizarán para abordarla, y se deberá proponer un plan de trabajo.

En la segunda parte de la actividad final, el Seminario de Graduación II, se deberá obtener, depurar y estructurar los datos utilizados para resolver la problemática organizacional. El proyecto deberá usar datos y metodologías de análisis orientadas a resolver el problema planteado y mejorar la toma de decisiones que enfrente la organización.

En la tercera y última parte de la actividad final, se deberá aplicar las metodologías analíticas necesarias para resolver la problemática organizacional definida, analizar los resultados obtenidos, y proponer recomendaciones para la toma de decisiones.